Jesteśmy bardzo podekscytowani, że zaczynasz ten kurs i nie możemy się doczekać, co zainspiruje Cię do stworzenia z Generatywną Sztuczną Inteligencją!
Aby zapewnić Ci sukces, na tej stronie znajdziesz kroki konfiguracji, wymagania techniczne oraz informacje, gdzie szukać pomocy w razie potrzeby.
Aby rozpocząć kurs, wykonaj poniższe kroki.
Forkuj całe to repozytorium na swoje konto GitHub, aby móc zmieniać kod i rozwiązywać zadania. Możesz także dodać repozytorium do ulubionych (🌟), aby łatwiej je odnaleźć razem z powiązanymi repozytoriami.
Aby uniknąć problemów z zależnościami podczas uruchamiania kodu, zalecamy korzystanie z GitHub Codespaces podczas pracy z tym kursem.
W swoim forku: Code -> Codespaces -> New on main
- ⚙️ Ikona koła zębatego -> Command Pallete -> Codespaces : Manage user secret -> Add a new secret.
- Nazwij OPENAI_API_KEY, wklej swój klucz, Zapisz.
| Chcę… | Przejdź do… |
|---|---|
| Rozpocząć Lekcję 1 | 01-introduction-to-genai |
| Pracować offline | setup-local.md |
| Skonfigurować dostawcę LLM | providers.md |
| Poznać innych uczestników | Dołącz do naszego Discorda |
| Objaw | Rozwiązanie |
|---|---|
| Budowanie kontenera trwa > 10 min | Codespaces ➜ “Rebuild Container” |
python: command not found |
Terminal nie został podłączony; kliknij + ➜ bash |
401 Unauthorized z OpenAI |
Zły / wygasły OPENAI_API_KEY |
| VS Code pokazuje “Dev container mounting…” | Odśwież kartę przeglądarki — Codespaces czasem traci połączenie |
| Brak kernela notebooka | Menu notebooka ➜ Kernel ▸ Select Kernel ▸ Python 3 |
Systemy Unix:
touch .envWindows:
echo . > .env-
Edytuj plik
.env: Otwórz plik.envw edytorze tekstu (np. VS Code, Notepad++ lub innym). Dodaj poniższą linię do pliku, zamieniającyour_github_token_herena swój prawdziwy token GitHub:GITHUB_TOKEN=your_github_token_here
-
Zapisz plik: Zapisz zmiany i zamknij edytor tekstu.
-
Zainstaluj
python-dotenv: Jeśli jeszcze tego nie zrobiłeś, zainstaluj pakietpython-dotenv, aby ładować zmienne środowiskowe z pliku.envdo swojej aplikacji Python. Możesz to zrobić za pomocąpip:pip install python-dotenv
-
Załaduj zmienne środowiskowe w swoim skrypcie Python: W swoim skrypcie Python użyj pakietu
python-dotenv, aby załadować zmienne środowiskowe z pliku.env:from dotenv import load_dotenv import os # Load environment variables from .env file load_dotenv() # Access the GITHUB_TOKEN variable github_token = os.getenv("GITHUB_TOKEN") print(github_token)
To wszystko! Udało Ci się utworzyć plik .env, dodać swój token GitHub i załadować go do swojej aplikacji Python.
Aby uruchomić kod lokalnie na swoim komputerze, musisz mieć zainstalowaną jakąś wersję Pythona.
Aby korzystać z repozytorium, musisz je sklonować:
git clone https://github.com/microsoft/generative-ai-for-beginners
cd generative-ai-for-beginnersGdy już wszystko pobierzesz, możesz zaczynać!
Miniconda to lekki instalator do instalacji Conda, Pythona oraz kilku pakietów.
Sama Conda to menedżer pakietów, który ułatwia tworzenie i przełączanie się między różnymi wirtualnymi środowiskami Pythona i pakietami. Przydaje się także do instalowania pakietów niedostępnych przez pip.
Możesz skorzystać z przewodnika instalacji MiniConda, aby ją skonfigurować.
Po zainstalowaniu Minicondy musisz sklonować repozytorium (jeśli jeszcze tego nie zrobiłeś).
Następnie musisz utworzyć wirtualne środowisko. Aby to zrobić za pomocą Conda, utwórz nowy plik środowiska (environment.yml). Jeśli korzystasz z Codespaces, utwórz go w katalogu .devcontainer, czyli .devcontainer/environment.yml.
Wypełnij plik środowiska poniższym fragmentem:
name: <environment-name>
channels:
- defaults
- microsoft
dependencies:
- python=<python-version>
- openai
- python-dotenv
- pip
- pip:
- azure-ai-mlJeśli napotkasz błędy podczas korzystania z conda, możesz ręcznie zainstalować biblioteki Microsoft AI za pomocą poniższego polecenia w terminalu.
conda install -c microsoft azure-ai-ml
Plik środowiska określa potrzebne zależności. <environment-name> to nazwa, jaką chcesz nadać swojemu środowisku Conda, a <python-version> to wersja Pythona, której chcesz użyć, np. 3 to najnowsza główna wersja Pythona.
Gdy to zrobisz, możesz utworzyć środowisko Conda, uruchamiając poniższe polecenia w wierszu poleceń/terminalu
conda env create --name ai4beg --file .devcontainer/environment.yml # .devcontainer sub path applies to only Codespace setups
conda activate ai4begJeśli napotkasz problemy, zajrzyj do przewodnika po środowiskach Conda.
Zalecamy korzystanie z edytora Visual Studio Code (VS Code) z zainstalowanym rozszerzeniem do obsługi Pythona podczas tego kursu. Jest to jednak tylko rekomendacja, a nie wymóg.
Note: Otwierając repozytorium kursu w VS Code, masz możliwość skonfigurowania projektu w kontenerze. Jest to możliwe dzięki specjalnemu katalogowi
.devcontainerznajdującemu się w repozytorium kursu. Więcej o tym później.
Note: Po sklonowaniu i otwarciu katalogu w VS Code, edytor automatycznie zasugeruje instalację rozszerzenia do obsługi Pythona.
Note: Jeśli VS Code zasugeruje ponowne otwarcie repozytorium w kontenerze, odrzuć tę propozycję, aby korzystać z lokalnie zainstalowanej wersji Pythona.
Możesz także pracować nad projektem korzystając ze środowiska Jupyter bezpośrednio w przeglądarce. Zarówno klasyczny Jupyter, jak i Jupyter Hub oferują przyjazne środowisko programistyczne z funkcjami takimi jak autouzupełnianie, podświetlanie składni itp.
Aby uruchomić Jupyter lokalnie, przejdź do terminala/wiersza poleceń, przejdź do katalogu kursu i wykonaj:
jupyter notebooklub
jupyterhubTo uruchomi instancję Jupyter, a adres URL do niej pojawi się w oknie terminala.
Po wejściu na ten adres zobaczysz strukturę kursu i będziesz mógł przejść do dowolnego pliku *.ipynb. Na przykład 08-building-search-applications/python/oai-solution.ipynb.
Alternatywą dla konfiguracji wszystkiego na swoim komputerze lub w Codespace jest użycie kontenera. Specjalny folder .devcontainer w repozytorium kursu umożliwia VS Code skonfigurowanie projektu w kontenerze. Poza Codespaces wymaga to instalacji Dockera i, szczerze mówiąc, wymaga trochę pracy, więc polecamy to tylko osobom z doświadczeniem w pracy z kontenerami.
Jednym z najlepszych sposobów na zabezpieczenie kluczy API podczas korzystania z GitHub Codespaces jest użycie Codespace Secrets. Zapoznaj się z przewodnikiem Zarządzanie sekretami Codespaces, aby dowiedzieć się więcej.
Kurs składa się z 6 lekcji koncepcyjnych i 6 lekcji programistycznych.
W lekcjach programistycznych korzystamy z usługi Azure OpenAI Service. Aby uruchomić ten kod, będziesz potrzebować dostępu do usługi Azure OpenAI oraz klucza API. Możesz ubiegać się o dostęp, wypełniając ten formularz.
Podczas oczekiwania na rozpatrzenie wniosku, każda lekcja programistyczna zawiera także plik README.md, w którym możesz zobaczyć kod i wyniki.
Jeśli po raz pierwszy korzystasz z usługi Azure OpenAI, zapoznaj się z przewodnikiem, jak utworzyć i wdrożyć zasób Azure OpenAI Service.
Jeśli po raz pierwszy korzystasz z OpenAI API, zapoznaj się z przewodnikiem, jak utworzyć i używać interfejsu.
Stworzyliśmy kanały na naszym oficjalnym serwerze Discord AI Community, aby umożliwić poznanie innych uczestników. To świetny sposób na nawiązanie kontaktów z innymi przedsiębiorcami, twórcami, studentami i wszystkimi, którzy chcą rozwijać się w Generatywnej AI.
Zespół projektowy również będzie obecny na tym serwerze Discord, aby pomagać uczestnikom.
Ten kurs to inicjatywa open-source. Jeśli zauważysz miejsca do poprawy lub błędy, utwórz Pull Request lub zgłoś problem na GitHubie.
Zespół projektowy będzie śledził wszystkie zgłoszone wkłady. Współtworzenie open source to świetny sposób na rozwój kariery w Generatywnej AI.
Większość kontrybucji wymaga zaakceptowania Contributor License Agreement (CLA), potwierdzającego, że masz prawo i faktycznie udzielasz nam praw do wykorzystania swojego wkładu. Szczegóły znajdziesz na stronie CLA, Contributor License Agreement.
Ważne: tłumacząc teksty w tym repozytorium, nie używaj tłumaczenia maszynowego. Tłumaczenia będą weryfikowane przez społeczność, więc zgłaszaj się tylko do tłumaczeń na języki, które znasz bardzo dobrze.
Po przesłaniu pull requesta, bot CLA automatycznie sprawdzi, czy musisz zaakceptować CLA i odpowiednio oznaczy PR (np. etykietą, komentarzem). Po prostu postępuj zgodnie z instrukcjami bota. Wystarczy to zrobić tylko raz dla wszystkich repozytoriów korzystających z naszego CLA.
Ten projekt przyjął Microsoft Open Source Code of Conduct. Więcej informacji znajdziesz w FAQ dotyczących Code of Conduct lub kontaktując się pod Email opencode w razie dodatkowych pytań lub uwag.
Teraz, gdy ukończyłeś wszystkie potrzebne kroki, aby zaliczyć ten kurs, zacznijmy od wprowadzenia do Generatywnej Sztucznej Inteligencji i LLM.
Zastrzeżenie:
Ten dokument został przetłumaczony przy użyciu usługi tłumaczenia AI Co-op Translator. Chociaż dokładamy starań, aby tłumaczenie było jak najdokładniejsze, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego ojczystym języku powinien być traktowany jako źródło nadrzędne. W przypadku informacji krytycznych zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za wszelkie nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.